Blogbejegyzések

Az előző bejegyzéshez hasonlóan most is lépésről lépésre végigmegyünk a fundamentális részvényelemzés célú folyamat első lépésén, az adatletöltésen. Ez alkalommal azonban az a feltételezés, hogy nem használunk AI-t, és továbbra is korlátozott IT-ismeretekkel rendelkezünk. Ennek megfelelően a szolgáltató (ez esetben a SimFin) emberi támogatását vesszük igénybe. Bár megállunk az adatletöltésnél, látni fogod, hogy egy teljes elemzési repertoár tárul fel a nem feltétlenül szakemberek számára is – egészen a machine learningig vagy a neurális hálózatokig. Kimondatlanul is észrevehető: az AI innen sem tűnt el, csak generatív helyett diszkriminatív formában van jelen.

Lépésről lépésre végigmegyünk a pénzügyi adatletöltés folyamatán, ahol az a modellfeltételezés, hogy a Python API-k használatáról most hallottál először és teljes mértékben a GenAI-ra hagyatkozol. Miközben látni fogod, hogy a GenAI erre elvben képes, azt is megérted a poszt a végére, hogy az ilyen felhasználás mégis miért kerülendő.

Az egyre szaporodó fintech szolgáltatóknak hála a Tudatos KisBefektetők számára is egyre inkább elérhetővé válnak a részvényelemzéshez szükséges minőségi, de legalábbis „good enough” adatok. Ingyen ebéd azonban itt sincs. A korábbi, dollárban ötszámjegyű éves adatszolgáltatási díjak kiváltásához/elkerüléséhez ugyanis muszáj a tanulásba fektetni, és megérteni, hogy miért nem mellőzhető némi Python-, API-használat és data science alapismeret.

A részvényelemzés kvantitatív része valójában adatelemzés – és minden az adatgyűjtéssel kezdődik. Legújabb bejezgyzésemben megmutatom, én mely adatforrásokat tartom a legjobbnak Tudatos KisBefektetőként (Falcon Method, Morningstar, FastGraphs, Damodaran stb.), és miért érdemes több nézőpontot összevetni.

Mi az a kockázat, amiről a legtöbb Tudatos KisBefektető nem beszél – és amit eddig nem is tudtál kezelni?

A részvénypiaci kockázat fogalmát előbb-utóbb minden tanulni hajlandó KisBefektető megismeri. Tartós tőkevesztés, infláció, országkockázat, brókerkockázat – a szakirodalom és a kurzusok bőségesen tárgyalják őket. Van azonban egy kevésbé ismert, mégis nagyon is valós tényező, amiről ritkán esik szó. Én ezt módszertani kockázatnak nevezem…

Általános félreértés, hogy a részvénybefektetés abban az értelemben eredményez pénzügyi függetlenséget, ahogy azt sokan romantikusan – tipikusan filmélmények és figyelemhajhász befektetési “guruk” hirdetései alapján – elképzelik. Nem, nem feltétlenül leszel kisbefektetőként közelebb a tengerparton mojitóval a kezében henyélő unatkozó milliomoshoz. Legalábbis nem könnyebben, mint sikeres fogorvosként vagy kőművesként…

A részvénybefektetési döntéseket támogató adatelemzési folyamat első és egyben egyik kardinális lépése a minőségi (de minimum „good-enough”) adatgyűjtés. A Tudatos KisBefektetői kör részére ez bizonyult a közelmúltig az egyik leginkább megoldhatatlan feladatnak.

Talán az egyik legfontosabb bejegyzésemet olvasod. Itt igyekszem megfogalmazni, hogy kiknek is szólnak ezek az írások. Sokszor ki fogok hivatkozni erre a többi tartalomban is, hiszen a tőzsde egy olyan világ, ahol a legtöbb igazság, vagy inkább “hasznosság” attól függ, hogy kinek a nézőpontjából szemléled.

Minden új technológia körül megjelenik a hype, a félreértés és a kóklerek hada. Az AI sem kivétel. Egy 10 oldalas letölthető PDF és egy „egy hétvégés” tanfolyam ide is kevés lesz.

Nem lesz belőled mesteriparos attól, hogy a Praktikerben megvettél egy ütvefúrót és egy lézeres szintezőt – ugyanígy nem leszel sztárbefektető attól, hogy beírsz két-három promptot a ChatGPT-be.
Az AI egy gyorsan fejlődő iparág, folyamatos követést igényel. Nem lehet kikerülni a tanulást, a visszatesztelést, a kitartó gyakorlást.